测试笔记day01

黑马Java第三阶段:苍穹外卖(笔记) 需求分析→ 与产品/UE 讨论,输出“需求文档”与原型设计阶段→ UI 高保真效果图 & 系统架构方案开发阶段→ 按照接口文档 & 设计图实现功能测试阶段→ 功能测试 & 性能测试,问题反馈与修复发布运维→ 部署生产环境,监控 & 日常维护💡关键:每个阶段都产出可交付物,并在团队之间做好沟通与验收。 阅读详情

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx 立即下载

相关推荐

OpenCV透视变换原理与实战:从单应性矩阵到文档矫正

透视变换是计算机视觉中实现平面图像几何校正的基础技术,其核心在于利用单应性矩阵(Homography)建模三维空间到二维图像的射影关系。不同于仿射变换的线性约束,透视变换通过有理函数映射支持任意凸四边形间的非线性变形,天然适配真实场景中的远小近大、平行线汇聚等透视现象。该技术具备确定性强、计算高效、无需训练数据等工程优势,广泛应用于文档扫描矫正、车牌识别预处理、AR贴图对齐及无人机正射影像生成等场景。结合OpenCV的cv2.findHomography与cv2.warpPerspective接口,开发者可

weixin_30873847的博客 656

接口测试笔记day01

1,内容: 1,基本理论知识 第一天内容:抽象、枯燥。 2,工具的操作: 三个工具: 2个发包工具: Jmeter、PostMan 1个抓包工具: Fiddler 3,安全测试的内容: 初级,工具的使用:AppScan 第一讲: 1,基本理论知识 2,Jmeter 项目 3,抓包:fiddler 4,Postman 5,安全测试...

小黑的博客 299

【Diffusion分割】医学图像分割中去噪扩散技术

扩散模型(DPM)在图像生成方面表现出了卓越的性能,其性能往往优于其他生成模型。自其问世以来,强大的噪声-图像去噪管道已被扩展到各种判别任务中,包括图像分割。在医学成像中,图像往往是大型三维扫描图像,由于内存消耗大、迭代采样过程耗时,使用 DPM 对一幅图像进行分割的效率极低。在这项工作中,我们提出了一种(LDSeg),可在潜空间中执行扩散,用于医学影像分割。我们。潜空间条件扩散不仅能确保对多标签对象进行精确的 n-D 图像分割,还能缓解基于 DPM 的传统分割法的主要潜在问题:(。

qq_43583311的博客 1171

软件测试day01笔记

《软件测试第一篇_测试理论_Linux数据库_超详细教程p5-p19》 1.认识软件测试行业 what:利用技术手段验证软件的功能是否满足需求 2.测试分类 一、按阶段划分 单元测试 —— 源代码 集成测试 —— 接口 系统测试 —— 功能、兼容、安全、性能 验收测试 —— 内测、公测 二、按代码可见度划分: ...

qq_58164589的博客 649

VMware ubuntu虚拟机(或Centos7)与主机共享文件夹

系统环境 Windows 10 Vmware Workstation 15 Pro Ubuntu 20.04.1 LTS centos7 1.Ubuntu配置共享文件 1.1安装VMware-tools 更新最新VMware-tools组件 编辑->首选项->更新->立即下载所有组件 安装VMware-tools 虚拟机->安装VMware-tools 安装后ubuntu会加载一个虚拟光驱,解压文件,在解压的文件目录下执行以下命令进行安装 sudo vmware-instal

weixin_38924500的博客 2160

群晖设置公网ipv6方式域名解析访问

群晖、IPV6、域名解析

爬山虎的博客 2万+

测试基础笔记_day01

冒烟测试:大规模执行测试之前,针对程序主功能进行验证,保证程序具备可测性。集成测试:又称接口测试,主要针对模块与模块或系统与系统之间的接口进行验证。6、测试报告:测试目标、测试过程、缺陷统计、缺陷分析、测试总结。3、考虑点:质量模型(功能、性能、兼容、易用、安全)系统测试:针对软件全面进行验证(功能、兼容、文档)2、测试用例:执行测试的文档(用户使用的案例)灰盒测试:又称接口测试(看不见部分代码)单元测试:针对程序源代码进行测试。3、编写用例:设计执行测试的文档。4、执行用例:执行测试的文档。

qq_45689662的博客 209

海康威视4G摄像头直连实战:不用萤石云,手把手教你用ISUP SDK搞定跨网段视频流

本文详细介绍了如何通过海康威视ISUP SDK实现4G摄像头的直连通信,提供了一套零平台费、自主可控的技术方案。文章涵盖技术选型、设备端配置、服务器端开发及高级应用场景,特别适合中小型安防项目,帮助开发者解决跨网段视频流传输难题,降低长期运营成本。

weixin_27076351的博客 472

自动化测试笔记 Day01

自动化测试笔记 Day01: 自动化测试分为:UI 层,Service 层,Unit 层。 即:用户界面层,业务逻辑层,数据处理层。 即:UI 自动化测试、JS 自动化测试,接口自动化测试,单元测试及代码审查。 UI 自动化测试工具(交互界面):UFT(QTP),Selenium,RobotFramework 等。 UI 自动化测试工具(前端代码,大部分集中在 JS 上):QUnit 等。 Service 层自动化测试:重点是接口测试。接口又分:模块之间的接口、服务接口。 Unit 层自动化测试:就是若干

m0_46650317的博客 186

大厂面试级C#上位机完整项目(终极版):工业级Modbus协议封装 + 标准多线程采集 + 全链路异常处理

(Modbus统一通信接口)、(采集服务接口)职责:定义所有核心操作的标准接口,屏蔽底层差异(RTU/TCP、串口/TCP),面向接口编程的核心体现。新增协议/采集方式,只需实现接口,核心代码零改动。/// 自定义Modbus通信异常类 - 大厂标准,区分通信异常和其他异常/// 包含异常信息+内部异常,可溯源完整错误堆栈,面试必写本次项目是对标大厂工控上位机岗位的终极版实战项目,所有代码、架构、设计都遵循大厂标准,覆盖了面试官考察的所有核心考点✅ 纯手写Modbus协议,体现你对协议底层的吃透。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 861

基于AI大模型实现自然语言转SQL、SQL解释、SQL优化和SQL转换

随着大数据和人工智能技术的发展,数据分析和数据挖掘在各行各业中的应用越来越广泛。SQL(Structured Query Language)作为关系数据库的查询语言,是数据分析的重要工具。然而,SQL语言的复杂性和专业性使得许多非技术背景的用户难以直接使用,阻碍了数据的广泛利用。为了降低SQL的使用门槛,许多研究者和企业开始探索如何通过自然语言处理(NLP)技术,将自然语言转化为SQL查询语句,从而让用户可以通过自然语言与数据库进行交互。

AI天才研究院 2240

【软测学习笔记】测试入门Day01

软件测试笔记

2401_84304834的博客 710

Vision 机器视觉案例 之 零件边缘缺陷检测

缺陷检测工具

机器视觉李小白的博客 1387

接口测试笔记day03-01

一、RESTFul风格架构 (1)是一种标准的实现,而不是标准本身。体现这种架构设计的风格,叫做RESTful风格 (2)常见形式:http://服务器地址:端口号/[服务名]/[版本]/资源集合/单个资源 (3)常用方法:GET(获取资源);POST(新增资源);PUT(更新资源);DELETE(删除资源) (4)常见返回码(状态码):GET:200;POST:200/201;PUT:200/2...

小黑的博客 307

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

DAY01 UI自动化测试笔记

Web自动化基本代码实现

Mr.BECK的博客 547

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

[Linux学习笔记] 测试小白的学习路程 Day01

Day 01: 自学课程:黑马的公开课“软件测试必会的Linux教程”。 操作系统(OS,Operation System): 虚拟机(VM,Virtual Machine): 通过软件模拟的具有完整硬件系统功能的、运行在一个完全隔离环境中的完整计算机系统。 eg:用VMWare这个软件安装虚拟机ubantu(Linux的一个发行版) Linux内核与发行版: Linux的发行版的版本有很多,...

weixin_45610887的博客 242

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Vulkan 学习笔记 day01 vulkan visuall studio配置测试

到https://vulkan.lunarg.com/sdk/home下载vulkansdk,我是windows系统,所以选择了最后版本https://sdk.lunarg.com/sdk/download/latest/windows/vulkan-sdk.exe,版本:1.2.182.0然后直接安装就可以。 到https://www.glfw.org/download.html下载glfw sdk,因为vulkan不显示界面,所以要显示界面,需要glfw的库,这里我选择了64bit的windows版本

winterainicesnow的博客 762

JavaWeb基础加强笔记Day01 之 Junit单元测试、反射、注解

今日内容 1. Junit单元测试 2. 反射 3. 注解 Junit单元测试: * 测试分类: 1. 黑盒测试:不需要写代码,给输入值,看程序是否能够输出期望的值。 2. 白盒测试:需要写代码的。关注程序具体的执行流程。 * Junit使用:白盒测试 * 步骤: 1. 定义一个测试类(测试用例) * 建议: * 测试类名:被测试的类名Test CalculatorTest * 包名:xxx.xxx.xx.test cn.itcast.test 2. 定义测试方

Mrsgflmx的博客 230

Pytest框架学习笔记-Day01-简介、测试用例规则及运行方式

一、pytest简介 1.pytest是一个非常成熟的python的单元测试框架,比unittest更灵活,容易上手 2.pytest可以和selenium,request,appium结合实现web自动化,接口自动化,app自动化 3.pytest可以实现测试用例的跳过以及reruns失败用例重跑 4.pytest可以和allure生成非常美观的测试报告 5.pytest可以和Jenkins持续集成 6.pytest有很多非常强大的插件,并且这些插件能够实现很多的实用操作 pytest pytest-ht

奶思草莓的博客 421

【从零开始用Python做自动化学习笔记-01】

Python Study Note 引言 准备做一个整体的自我提升计划,于是列了一个学习清单,作为清单上的第一个栏目,决定开始系统化的对Python自动化进行学习。 从这一天起,会在这里记录每一天的学习心得体会,希望能够帮助入门不得的同道中人快速入门吧。 Day01 工欲善其事必先利其器,先知道整体要学习的框架,才能够更好的进行系统化的学习,所以先规划学习的整体思路: Tab1:了解整体原理 首先,我们要知道为什么...

weixin_46189300的博客 1123

接口测试:实用指南4.0

这一阶段是接口测试的学习,我们接下来的讲解都是使用Postman这款工具,当然呢Postman是现在一款非常流行的接口调试工具,它使用简单,而且功能也很强大。不仅测试人员会使用,开发人员也会 经常使用。后期讲解大概分三部分进行讲解:1、根据接口API文档编写接口测试用例2、使用Postman工具进行接口测试,并能够对大量接口用例进行管理、对接口响应结果进行断言、处理多接口的依赖及生成测试报告。

yang_xs的博客(只讲干货) 1001

python学习笔记-day11-01-【 单元测试框架-unittest】

今天来说说单元测试框架 - unittest。 一、unittest的使用 def calc(a,b): return round(a/b) #保留一个小数 class TestCalc(unittest.TestCase):#继承unittest def setUp(self): print('啥时候运行的, setUp') ...

weixin_30248399的博客 127

黑马Android76期学习笔记01基础--day01--day02单元测试,context,sharePeference,生成xml文件(xml序列化),xml文件解析

1.单元测试 单元测试的步骤 定义一个类继承AndroidTestCase 在清单文件配置uses-library和intrumentation

weixin_43745804的博客 231

Maven学习笔记 -- day01 Maven安装配置及测试、导入本地jar包

一、maven的安装及配置 1、安装maven (1)、将压缩包拷入非中文目录下 (2)、解压缩 2、配置环境变量 (1)、配置环境变量 (2)、命令窗口验证 3、配置本地仓库 (1)、拷贝本地仓库至非中文目录下 (2)、在maven包中config下的setting.xml中配置本地仓库位置 二、maven的生命周期 1、clean生命周期 p...

wingzhezhe的博客 571

大数据技术学习代码记录——Scala

初步学习Scala、并上传scala的学习记录代码

成长过程 1348
上一篇: IDEA中的psvm失效
下一篇: MySQL异常 2003 -Can't connect to MySQL server on 'localhost' (10061 "Unknown error'')
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值